融合自注意机制的矿工行为识别算法

来源：计算机技术与发展杂志2025年第04期北京时间：

作者：赵月爱;郝慧琦;王玲

摘要：我国煤矿工业建设已逐步转化为智能化模式,采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。 但煤矿井下环境恶劣,提取矿工行为特征干扰大,目前目标检测算法存在精度低、计算量大的问题。 针对这些挑战,该文提出了一种融合自注意机制的矿工行为识别模型 CMFA - YOLO,采用 ConvNeXt V2 模块来替代原有 YOLOv8n 中的 C2f 模块,实现了 Transformer 思想与目标检测领域的完美融合,有效降低了模型计算量。 进一步采用融合边界框损失函数 MF- IoU( MPD - and - Focaler IoU) 提高模型的精度。 此外引入了自适应空间相关性金字塔注意力 ASCPA,配合 ConvNeXt V2 发挥模型最佳效果。 经过多项实验结果显示,CMFA-YOLO 在煤矿视频监控场景下的检测精度达到 99. 0% ,为煤矿场景下的异常行为检测任务提供高精确算法。

关键词：煤矿监控检测;不安全行为识别;目标检测;自注意力机制;融合边界框损失函数